科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对以往的轴承剩余使用寿命(RUL)预测方法预测出的RUL值偏差过大的问题，提出了一种将卷积注意力机制(CBAM)和残差神经网络(ResNet)相融合的寿命预测模型——CBAM-ResNet模型。首先，使用连续小波变换(CWT)将轴承的一维振动信号转换为二维图像；然后，将其作为CBAM-ResNet模型的输入，使用深度残差网络在空间和通道两个维度上充分提取图像中蕴含的轴承退化信息；最后，模型将提取到的退化信息映射为轴承的剩余使用寿命。使用PRONOSTIA试验台IEEEPHM 2012数据集中的两种工况数据进行了试验，在工况1下对比分析了4种模型的预测效果。结果表明，相比ResNet、 CNN、 CBAM-CNN模型，本文CBAM-ResNet模型的均方根误差指标平均降低了38.9%,评分函数降低了51.2%,且本文模型具有较强的泛化性，能够提高轴承RUL预测的精度。
- 单位
